Python学习手册（二）numpy常用函数

Python学习手册：

1.python语法：列表推导式

2.numpy 一些函数

3.matplotlib 一些函数

4.matplotlib 高阶函数

5.线程/进程 函数

6.Cython的使用

7.LMDB的读取

1.python推导式

    Y_c = [['red' if y else 'blue'] for y in Y_]

将真值放if 前面，判断条件放中间（一般判断条件都会放if后面），（for后面是个列表生成器，列表生成式和推导式理解见：python高级用法）

写法有点反直观，但真的很简洁

numpy常用函数

1. x[:,0]

这部分的使用和Python切片有关，：
Python中符合序列的有序序列都支持切片（slice），例如列表，字符串，元组。

 格式：【start:end:step】

 start:起始索引，从0开始，-1表示结束

 end：结束索引

 step：步长，end-start，步长为正时，从左向右取值。步长为负时，反向取值

注意切片的结果不包含结束索引，即不包含最后的一位，-1代表列表的最后一个位置索引

几种常见的省略方式：

• b1=a[:]
• 省略全部，代表截取全部内容，可以用来将一个列表拷给另一个列表
  print(b1)
  结果：[1, 2, 3, 4, 5, 6]
• b=a[0: -1:1]
• 从位置0开始到 结束位置结束，每次增加1，截取。不包含结束索引位置
  print(b)
  结果：[1, 2, 3, 4, 5]
• c1=a[:3]
• 省略起始位置的索引，以及步长。默认起始位置从头开始，默认步长为1，结束位置索引为3
  print(c1)
  结果：[1, 2, 3]
• c=a[0:5:3] #从第一个位置到第6个位置，每3个取一个值
  print( c)
  结果：[1, 4]

x[:,0]是由于二维数组和切片组合的缘故，出现的一种常见的写法：表示对一个二维数组，取该二维数组第一维中的所有数据，第二维中取第0个数据，直观来说，X[:,0]就是取所有行的第0个数据, X[:,1] 就是取所有行的第1个数据。

mport numpy as np  
  
X = np.array([[0,1],[2,3],[4,5],[6,7],[8,9],[10,11],[12,13],[14,15],[16,17],[18,19]])  
print X[:,0]  

结果

2. np.reshape:

X = np.vstack(X).reshape(-1,2)

这是一个numpy的使用，

reshape函数
是numpy中一个很常用的函数，作用是在不改变矩阵的数值的前提下修改矩阵的形状。
1.简单使用

2.使用缺省值-1

缺省值-1代表我不知道要给行（或者列）设置为几，reshape函数会根据原矩阵的形状自动调整。

3. np.vstack:

按垂直方向（行顺序）堆叠数组构成一个新的数组。
（我觉得这个跟np.c_ 第二篇讲的是一个东西。。。。，）

（除开第一维外，被堆叠的矩阵各维度要一致。 ）

例子

import numpy as np
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
res = np.vstack((arr1, arr2))

输出为

array([[1, 2, 3],
       [4, 5, 6]])

另外除了vstack，还有一个hstack

np.hstack:按水平方向（列顺序）堆叠数组构成一个新的数组

X = np.vstack(X).reshape(-1,2)
#好了回到这个式子，意思是用垂直堆叠，行缺省，列为2

4. np.squeeze

从数组的形状中删除单维度条目，即把shape中为1的维度去掉

>>> a = e.reshape(1,1,10)
>>> a
array([[[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]]])
print(x1)  # [1，1，10]
>>> np.squeeze(a)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
print(x1.shape)  # ( ， ，10)

5. np._c

np.c_是按行连接两个矩阵，就是把两矩阵左右相加，要求行数相等，类似于pandas中的merge()。
np.r_是按列连接两个矩阵，就是把两矩阵上下相加，要求列数相等，类似于pandas中的concat()。

import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.c_[a,b]

print(np.r_[a,b])
print(c)
print(np.c_[c,a])

结果展示

[1 2 3 4 5 6]

[[1 4]
 [2 5]
 [3 6]]

[[1 4 1]
 [2 5 2]
 [3 6 3]]

6. np.mgrid

grid是网格的意思
np.mgrid[start: end :step]

start:开始坐标

stop:结束坐标（不包括）

step:步长

举例子

res = np.mgrid[-3:3:.1,-3:3:.1]

生成从-3到3的二维坐标

第一部分是y轴的范围

第二部分是x轴的范围

返回数组的res[0]是y轴，res[1]是x轴